Gemini Omni 1.2 Flash ist da: 15-Sekunden-Videos und mehrstufige Bearbeitung

Google DeepMind hat am 5. November 2026 das Videogenerierungsmodell Gemini Omni 1.2 Flash angekündigt. Das Modell ist allgemein über die Gemini API und Google Cloud verfügbar und bietet längere Clips, eine bessere Orientierung an Referenzbildern sowie die Möglichkeit, dasselbe Video in mehreren Dialogrunden zu bearbeiten. Google beziffert den Preis für die Generierung von 720p-Videos auf 0,07 US-Dollar pro Sekunde. Das entspricht laut Unternehmen einer Senkung um 30 Prozent gegenüber Gemini Omni 1.1.

Was ändert sich bei Cliplänge und Generierungskosten?

Die maximale Videolänge steigt von 10 Sekunden in der Vorgängerversion auf 15 Sekunden bei Gemini Omni 1.2 Flash. Die Dauer lässt sich zwischen 3 und 15 Sekunden in Ein-Sekunden-Schritten festlegen. Google zufolge ermöglicht das längere Erzählungen, Produktvorstellungen oder Social-Media-Anzeigen in einem einzigen Generierungsvorgang.

Erste Entwürfe können mit 360p oder 720p erstellt werden. Ausgewählte Ergebnisse lassen sich anschließend auf 1080p oder 4K hochskalieren. Die Kosten könnten laut Unternehmen nicht nur durch den niedrigeren Preis sinken: Statt für eine Detailänderung den gesamten Clip neu zu generieren, kann man auch einen Folgeprompt zur Bearbeitung des vorhandenen Videos eingeben.

Referenzen und Bearbeitungsmethode

Das Modell kann Referenzbilder von Figuren, Produkten oder Stilen zusammen mit kurzen Bewegungsclips von bis zu drei Sekunden und Audiohinweisen verwenden. Google zufolge sollen diese Referenzen über das gesamte Video hinweg konsistenter erhalten bleiben und visuelle Veränderungen bei Szenen- oder Kamerabewegungen reduziert werden. In den Beispielen des Unternehmens wird hervorgehoben, dass dieselbe Figur, dasselbe Produkt und dieselbe Szene aus verschiedenen Blickwinkeln erhalten bleiben.

Nach der Generierung eines Clips lassen sich Änderungen wie ein anderer Hintergrund, Anpassungen von Beleuchtung oder Wetter sowie ein geändertes Seitenverhältnis in mehreren Dialogrunden vornehmen. So muss nicht für jede Variante ein neuer Ausgangsprompt erstellt werden. Google nennt außerdem flüssigere Dialoge, Lippensynchronisation und die Möglichkeit, mehrere Sprecher zu steuern.

Zu den Beispielen für Kamerabewegungen des Modells gehören kontinuierliche Flug- und Zoombewegungen. In einem von Google anhand architektonischer Referenzbilder gezeigten Szenario fliegt die Kamera in einer einzigen Bewegung von einem Platz zu Toren und in das Innere einer Kuppel. Dabei handelt es sich um Beispiele des Herstellers; die Ankündigung nennt keine quantifizierte Erfolgskennzahl dazu, wie sich die Ergebnisse mit anderen Prompts und Referenzen verändern.

Auswirkungen auf Workflows in Architektur und Visualisierung

Für Architekturbüros und Visualisierungsprofis kann die Begrenzung auf 15 Sekunden eine Option sein, um kurze Raumerzählungen oder Präsentationsvorschauen zu erstellen. Die gemeinsame Verwendung von Referenzbildern und Bewegungsbeschreibungen kann bei Versuchen helfen, einen Gestaltungsstil oder eine bestimmte Szenenanordnung beizubehalten. Die dialogbasierte Bearbeitung könnte außerdem den Prozess beschleunigen, Varianten mit verändertem Hintergrund oder anderer Beleuchtung zu erstellen.

Diese Funktionen belegen jedoch nicht, dass das Modell in jedem Projekt die gewünschte Architekturgeometrie oder Materialdarstellung vollständig bewahrt. Vor der Produktion sollten die Konsistenz mit den Referenzen und die Kontinuität der Bewegung überprüft werden. Teams, die die API nutzen, sollten die Kosten abhängig von Auflösung und Cliplänge kalkulieren; als Preis nennt die Quelle 0,07 US-Dollar pro Sekunde für 720p. Für Google Vids wird dagegen angegeben, dass sich 15-Sekunden-Clips ohne Aufpreis generieren lassen.